在如今人类的“第四次科技革命”浪潮中,物理学正以一种独特的方式推动着人工智能领域的发展。作为人工智能的重要应用之一,推荐系统旨在为用户从海量的物品中自动预测出他们感兴趣或最需要的那一部分,从而缓解“数据过载”难题。同时,作为物理学与社会学的交叉研究领域,网络科学正被越来越多地渗透到推荐系统的研究中,进而推动其发展与突破。其中,它们之间最典型的一类结合就是基于图嵌入技术的推荐系统。目前,对图嵌入技术的研究普遍采用机器学习的方法。但由于该方法基于拟合优化理论的“黑箱”机制,大多数基于图嵌入技术的推荐系统往往都不可避免地面临着弱可解释性与超参数不确定性等难题。为了解决这些难题,研究人员试图从数理层面建立起模型超参数与性能之间的理论联系,或以机器学习方法为基石融入更多的可解释性元素。这些探索对缓解上述难题是有帮助的,但由于它们延续着机器学习的框架,仍无法解决模型的弱可解释性和超参数不确定性的问题。因此,在实际的推荐系统中,企业仍需花费大量的计算资源才能调出能够使得推荐模型性能较优的一组超参数,业务人员面对模型生成的推荐结果仍不易做出可靠的解释。为此,本文从另一个研究视角出发,通过结合网络科学领域的相关研究成果和机器学习方法的核心思想,提出无超参数且可解释的全图嵌入技术和推荐模型。本文的主要工作如下:1.本文对推荐系统领域进行了一个较为详尽的综述,从理论上比较了不同推荐方法之间的相对优缺点,提出了一个基于图嵌入技术的推荐模型通用设计范式。2.本文设计并实施了经典推荐方法的比较实验,从实验上比较了传统推荐方法和基于图嵌入技术的推荐方法之间的相对优缺点,提出了在这两者间寻求融合与平衡的策略。3.本文提出了DHC-E算法,即一个无超参数且可解释的全图嵌入技术。相比于4个对照算法,DHC-E能够在图的二分类任务和图的多分类任务上整体实现最优的准确性和稳定性,以及良好的运行效率。4.本文提出了AIProbS模型,即一个无超参数且可解释的推荐模型。相比于9个对照模型,AIProbS能够在推荐任务上实现最优的准确性和良好的稳定性。